Artificial Intelligence Along the Business Process Management Lifecycle : Contributions to Process Discovery, Improvement, and Monitoring

Titelangaben

Kecht, Christoph:
Artificial Intelligence Along the Business Process Management Lifecycle : Contributions to Process Discovery, Improvement, and Monitoring.
Bayreuth , 2026 . - VIII, 86 S.
( Dissertation, 2025 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Dissertation_CKecht.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Deutsches Urheberrechtsgesetz. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt werden. Darüber hinaus bedürfen die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung der schriftlichen Zustimmung des jeweiligen Rechteinhabers.
	Download (15MB)

Abstract

In a continuously changing world, even well-designed business processes require ongoing improvement to keep pace with evolving customer needs, new technologies, regulations, and market conditions. Organizations must treat Business Process Improvement (BPI) as a continuous effort rather than a one-off initiative to maintain operational excellence and competitive advantage. While process mining can identify inefficiencies from process execution data captured in event logs, turning diagnosed weaknesses into redesign solutions remains largely manual, expertise-intensive, and time-consuming, which leaves a persistent gap between detecting problems and knowing how to fix these problems effectively. Realizing continuous BPI is further hindered by fragmented improvement knowledge, the prevalence of multiple interrelated weaknesses, and incomplete transparency of the as-is process when key evidence is buried in unstructured data sources such as emails, chats, and documents. Recent advances in Artificial Intelligence (AI) and generative AI, particularly Large Language Models (LLMs), open new opportunities for process analysis and redesign, but must be guided to avoid incorrect or uncontrollable outputs. As organizations embed AI into operational processes, they must also ensure conformance to business rules and robust performance. This thesis addresses these challenges through three research objectives realized in six Research Articles (RAs). Research Objective 1 focuses on AI-enabled process discovery from unstructured data by automatically constructing event logs from textual data. RA 1 introduces a natural language inference pipeline that extracts topics and process activities from customer service conversations and exports case-centric event logs, allowing large-scale discovery of customer-centric process flows without extensive labeled data. RA 2 extends this approach to object-centric event logs using a two-stage pipeline with a collector and a refiner implemented in heuristic and generative variants. Among four pairwise combinations of collector and refiner instances, the configurations with a generative collector achieve the highest extraction quality, with the fully generative variant in particular producing coherent and standardized event and object labels. Research Objective 2 provides AI-driven support for process analysis and redesign to reduce reliance on human-centric ideation. RA 3 presents the Process Improvement Copilot, a retrieval-augmented generation-enhanced LLM-based process improvement and innovation system that generates context-specific process improvement ideas grounded in best practices and automatically derived inefficiencies. In expert interviews and a workshop at a multinational technology conglomerate, participants rated the Process Improvement Copilot as useful and easy to use. A substantial share of the generated ideas was considered directly relevant or actionable stimuli for follow-up steps. RA 4 introduces the Automated Business Process Optimizer (ABuPrOpt), which leverages LLMs and simulation to propose and quantitatively evaluate improved to-be process models under consideration of standard and custom improvement objectives. Across five public datasets, ABuPrOpt provided plausible redesign options by generating sound and feasible process models that outperform their original counterparts. Research Objective 3 advances AI-supported process monitoring for conformance and performance insights. RA 5 develops a chatbot evaluation framework that converts customer service conversations into event logs using the pipeline developed in RA 1 and then applies process mining conformance metrics to quantify how well a trained chatbot adheres to business processes in the underlying training data. RA 6 examines recruitment processes by comparing linguistic analysis of applicants' written self-descriptions with a personality questionnaire in a controlled online experiment with 400 participants. Under salient incentives to fake being cooperative, the text-based AI model significantly outperforms the questionnaire in predicting true cooperativeness and detects signs of exaggeration. In summary, this thesis contributes approaches integrating AI along the Business Process Management lifecycle. These approaches enable full process transparency by extracting event logs from unstructured data, provide support to generate and evaluate to-be process models with quantitative evidence, and establish monitoring approaches that benchmark AI-enabled operations for conformance and performance. By connecting process discovery, analysis and redesign, and monitoring with end-to-end AI support, the thesis advances the scalability, efficiency, and reliability of continuous BPI.

Abstract in weiterer Sprache

In einer sich kontinuierlich verändernden Welt benötigen selbst gut gestaltete Geschäftsprozesse eine laufende Weiterentwicklung, um mit sich wandelnden Kundenbedürfnissen, neuen Technologien, Regulierungen und Marktbedingungen Schritt zu halten. Organisationen müssen Geschäftsprozessverbesserung daher als kontinuierliche Aufgabe und nicht als einmalige Initiative verstehen, um operative Exzellenz und Wettbewerbsfähigkeit aufrechtzuerhalten. Während Process Mining Ineffizienzen in Prozessausführungsdaten, sogenannten Ereignisprotokolle, identifizieren kann, bleibt die Überführung diagnostizierter Schwachstellen in Verbesserungsideen weitgehend manuell, abhängig von menschlicher Expertise und zeitaufwendig. Dadurch besteht eine Lücke zwischen der Problemerkennung und dem Wissen, wie diese Probleme wirksam zu beheben sind. Die Realisierung kontinuierlicher Geschäftsprozessverbesserung wird zusätzlich durch fragmentiertes Prozessverbesserungswissen, das gleichzeitige Auftreten mehrerer miteinander verknüpfter Schwachstellen sowie unvollständige Transparenz des bestehenden Prozesses erschwert, wenn entscheidende Hinweise in unstrukturierten Datenquellen wie E-Mails, Chats und Dokumenten verborgen sind. Die neuesten Entwicklungen im Bereich der künstlichen Intelligenz (KI) und generativen KI, insbesondere große Sprachmodelle, auch Large Language Models (LLMs) genannt, eröffnen neue Möglichkeiten für Prozessanalyse und -neugestaltung, müssen jedoch gezielt angeleitet werden, um falsche oder unkontrollierbare Ergebnisse zu vermeiden. Da Organisationen KI zunehmend in operative Prozesse integrieren, müssen sie zudem die Einhaltung von Geschäftsregeln und eine robuste Leistungsfähigkeit sicherstellen. Diese Dissertation adressiert diese Herausforderungen anhand von drei Forschungszielen, die in sechs Forschungsbeiträgen umgesetzt werden. Forschungsziel 1 konzentriert sich auf die KI-gestützte Prozesserkennung aus unstrukturierten Daten durch die automatische Erstellung von Ereignisprotokollen aus Textdaten. Forschungsbeitrag 1 entwickelt eine Pipeline mittels Inferenz aus natürlicher Sprache, die Themen und Prozessaktivitäten aus Kundenservicekonversationen extrahiert und fallbezogene Ereignisprotokolle exportiert, wodurch eine groß angelegte Erkennung kundenzentrierter Prozessabläufe ohne umfangreich händisch gekennzeichnete Trainingsdaten ermöglicht wird. Forschungsbeitrag 2 erweitert diesen Ansatz auf objektzentrierte Ereignisprotokolle unter Verwendung einer zweistufigen Pipeline mit einem Collector und einem Refiner, die jeweils in heuristischen und generativen Varianten implementiert sind. Unter den vier paarweisen Kombinationen von Collector- und Refiner-Instanzen erzielen die Konfigurationen mit einem generativen Collector die höchste Extraktionsqualität, wobei insbesondere die vollständig generative Variante kohärente und standardisierte Ereignis- und Objektbezeichnungen erzeugt. Forschungsziel 2 bietet KI-gestützte Unterstützung für die Prozessanalyse und -neugestaltung, um die Abhängigkeit von menschenzentrierter Ideengenerierung zu verringern. Forschungsbeitrag 3 stellt den „Process Improvement Copilot“ vor, ein auf Retrieval-Augmented-Generation basierendes LLM-gestütztes Prozessverbesserungs- und Innovationssystem, das kontextspezifische Verbesserungsideen generiert, die auf bewährten Methoden und automatisch abgeleiteten Ineffizienzen basieren. In Experteninterviews und einem Workshop bei einem internationalen Technologiekonzern bewerteten die Teilnehmer den Process Improvement Copilot als nützlich und benutzerfreundlich, und ein erheblicher Teil der generierten Ideen wurde als direkt relevant oder als umsetzbare Anregungen für Folgemaßnahmen angesehen. Forschungsbeitrag 4 stellt den „Automated Business Process Optimizer (ABuPrOpt)“ vor, der LLMs und Simulationen nutzt, um verbesserte Soll-Prozessmodelle unter Berücksichtigung von standardisierten und benutzerdefinierten Verbesserungszielen vorzuschlagen und quantitativ zu bewerten. In fünf frei verfügbaren Datensätzen lieferte ABuPrOpt plausible Neugestaltungsoptionen, indem es gültige und realisierbare Prozessmodelle erstellte, die die ursprünglichen Modelle übertreffen. Forschungsziel 3 treibt die KI-gestützte Prozessüberwachung für Konformitäts- und Leistungserkenntnisse voran. Forschungsbeitrag 5 entwickelt einen Bewertungsrahmen für Chatbots, der Kundenservicekonversationen mithilfe der in Forschungsbeitrag 1 entwickelten Pipeline in Ereignisprotokolle umwandelt und anschließend Konformitätsmetriken aus dem Process Mining anwendet, um zu quantifizieren, wie gut trainierte Chatbots die Geschäftsprozesse in den zugrunde liegenden Trainingsdaten einhalten. Forschungsbeitrag 6 untersucht Bewerbungsprozesse durch einen Vergleich von linguistischer Analyse von geschriebenen Selbstbeschreibungen der sich bewerbenden Personen mit einem Persönlichkeitsfragebogen in einem kontrollierten Online-Experiment mit 400 Personen. Unter auffälligen Anreizen die eigene Kooperationsbereitschaft zu verfälschen, übertrifft das textbasierte KI-Modell den Fragebogen bei der Vorhersage der tatsächlichen Kooperationsbereitschaft deutlich und erkennt Anzeichen von Übertreibungen. Zusammenfassend trägt diese Dissertation Ansätze zur Integration von KI entlang des Geschäftsprozessmanagement-Lebenszyklus bei. Diese Ansätze ermöglichen vollständige Prozesstransparenz durch die Extraktion von Ereignisprotokollen aus unstrukturierten Daten, bieten Unterstützung bei der Erstellung und Bewertung von Soll-Prozessmodellen mit quantitativer Evidenz und etablieren Überwachungsansätzen, die KI-gestützte Abläufe hinsichtlich Konformität und Leistung bewerten. Durch die Verbindung von Prozesserkennung, -analyse und -neugestaltung sowie Überwachung mit durchgängiger KI-Unterstützung verbessert diese Dissertation die Skalierbarkeit, Effizienz und Zuverlässigkeit kontinuierlicher Geschäftsprozessverbesserung.